CN112105923B - 利用人工智能深度学习的生物测量对象浓度测量方法 - Google Patents
利用人工智能深度学习的生物测量对象浓度测量方法 Download PDFInfo
- Publication number
- CN112105923B CN112105923B CN201880093318.5A CN201880093318A CN112105923B CN 112105923 B CN112105923 B CN 112105923B CN 201880093318 A CN201880093318 A CN 201880093318A CN 112105923 B CN112105923 B CN 112105923B
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- deep learning
- concentration
- measurement object
- measuring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 75
- 238000005259 measurement Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 239000008280 blood Substances 0.000 claims description 62
- 210000004369 blood Anatomy 0.000 claims description 62
- 239000000126 substance Substances 0.000 claims description 43
- 238000005534 hematocrit Methods 0.000 claims description 18
- 239000000523 sample Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000012472 biological sample Substances 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000027756 respiratory electron transport chain Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000006479 redox reaction Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 102000004190 Enzymes Human genes 0.000 claims description 5
- 108090000790 Enzymes Proteins 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003487 electrochemical reaction Methods 0.000 claims description 4
- 239000012491 analyte Substances 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000006276 transfer reaction Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000011067 equilibration Methods 0.000 claims description 2
- -1 ambient temperature Substances 0.000 claims 1
- 238000011109 contamination Methods 0.000 claims 1
- 239000007772 electrode material Substances 0.000 claims 1
- 230000033116 oxidation-reduction process Effects 0.000 claims 1
- 238000000691 measurement method Methods 0.000 abstract description 22
- 239000000284 extract Substances 0.000 abstract description 6
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 52
- 239000008103 glucose Substances 0.000 description 52
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- WHBMMWSBFZVSSR-UHFFFAOYSA-N 3-hydroxybutyric acid Chemical compound CC(O)CC(O)=O WHBMMWSBFZVSSR-UHFFFAOYSA-N 0.000 description 4
- 108090000854 Oxidoreductases Proteins 0.000 description 4
- 102000004316 Oxidoreductases Human genes 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 229940088598 enzyme Drugs 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 108010050375 Glucose 1-Dehydrogenase Proteins 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 101000950981 Bacillus subtilis (strain 168) Catabolic NAD-specific glutamate dehydrogenase RocG Proteins 0.000 description 2
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 101710088194 Dehydrogenase Proteins 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 108010015776 Glucose oxidase Proteins 0.000 description 2
- 239000004366 Glucose oxidase Substances 0.000 description 2
- 102000016901 Glutamate dehydrogenase Human genes 0.000 description 2
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000019441 ethanol Nutrition 0.000 description 2
- 229940116332 glucose oxidase Drugs 0.000 description 2
- 235000019420 glucose oxidase Nutrition 0.000 description 2
- 229930195712 glutamate Natural products 0.000 description 2
- 235000013922 glutamic acid Nutrition 0.000 description 2
- 239000004220 glutamic acid Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- AFENDNXGAFYKQO-VKHMYHEASA-N (S)-2-hydroxybutyric acid Chemical compound CC[C@H](O)C(O)=O AFENDNXGAFYKQO-VKHMYHEASA-N 0.000 description 1
- LJCNDNBULVLKSG-UHFFFAOYSA-N 2-aminoacetic acid;butane Chemical compound CCCC.CCCC.NCC(O)=O LJCNDNBULVLKSG-UHFFFAOYSA-N 0.000 description 1
- 102000007698 Alcohol dehydrogenase Human genes 0.000 description 1
- 108010021809 Alcohol dehydrogenase Proteins 0.000 description 1
- 108010024957 Ascorbate Oxidase Proteins 0.000 description 1
- 108010015428 Bilirubin oxidase Proteins 0.000 description 1
- 108010089254 Cholesterol oxidase Proteins 0.000 description 1
- 108010000445 Glycerate dehydrogenase Proteins 0.000 description 1
- 108010073450 Lactate 2-monooxygenase Proteins 0.000 description 1
- 108010055297 Sterol Esterase Proteins 0.000 description 1
- 102000000019 Sterol Esterase Human genes 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000010323 ascorbic acid Nutrition 0.000 description 1
- 239000011668 ascorbic acid Substances 0.000 description 1
- 229960005070 ascorbic acid Drugs 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012502 diagnostic product Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 108010029645 galactitol 2-dehydrogenase Proteins 0.000 description 1
- 235000001727 glucose Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/0656—Investigating concentration of particle suspensions using electric, e.g. electrostatic methods or magnetic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/28—Electrolytic cell components
- G01N27/30—Electrodes, e.g. test electrodes; Half-cells
- G01N27/327—Biochemical electrodes, e.g. electrical or mechanical details for in vitro measurements
- G01N27/3271—Amperometric enzyme electrodes for analytes in body fluids, e.g. glucose in blood
- G01N27/3274—Corrective measures, e.g. error detection, compensation for temperature or hematocrit, calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/48707—Physical analysis of biological material of liquid biological material by electrical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/54—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving glucose or galactose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Urology & Nephrology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Dispersion Chemistry (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Diabetes (AREA)
- Cell Biology (AREA)
Abstract
如果现有的测量技术是相关领域专家长时间研发应用直接提取特征的公式或方法以有效提取特征(Features)的技术,则本发明的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法,将测量时间内从携带信息(Labels)的样品获得的输入信号进行图像化建立数据集,通过利用人工神经网络技术的深度学习找出人们无法预知的有用的特征等,并且应用如此通过学习获得的算法,可以估算出结果值。
Description
技术领域
本发明涉及一种利用人工智能深度学习的测量对象浓度测量方法。更具体地,本发明涉及一种利用人工智能深度学习的测量对象浓度测量方法,通过应用基于深度学习的人工神经网络技术转换从传感器获得的信号,以识别对应于测量对象的区域,并提取在该区域确定测量对象种类或浓度所需的每个因素,以预测最适合的测量对象的种类和浓度。
背景技术
通常,体外诊断产品最重要的标准之一是测量结果的准确度。
对于这样的产品,当存在测量对象时,检测传感器输出信号,分析仪识别出该信号并应用预定的校准曲线或算法发送定量或定性结果。
测量结果的准确度可能受到各种变量(例如干扰物、外部环境和样品特性)引起的干扰作用的影响。
比如用于测量血糖的电化学传感器,由于诸如电极表面上氧化的测量对象之外的物质的存在或者粘度等血液性质的变化导致的血糖向电极的扩散系数(DiffusionCoefficient)或者电极表面上的反应速率(Reaction Rate)的变化等,输出的电信号可能会受到影响。
为了尽量减少或消除这样的影响,采用了通过向传感器提供各种输入信号来估算测量对象的干扰程度予以反映的方法。
如韩国第1666978号授权专利中所公开,生物样品内待分析物质的浓度测量方法通过如下步骤测量生物样品内待分析物质的浓度:将液态生物样品注入样品池,该样品池固定有对所述待分析物质的氧化还原反应起到催化作用的氧化还原酶和电子传递介质,并且具有工作电极和辅助电极;将一定直流电压施加到所述工作电极,使所述待分析物质能够开始进行氧化还原反应及电子传递反应,以在至少一个点的特性点获得第一感应电流;施加所述一定直流电压后,再施加Λ形阶梯化梯形扰动电压,以在至少两个点获得第二感应电流;由所述第一感应电流或所述第二感应电流计算出预定特征(feature);用由至少一个特征(feature)函数构成的校准方程计算出所述待分析物质的浓度,以使所述生物样品内至少一个干扰物质的影响变得最小。
也就是说,对由预定信号导出的参数值利用数学方法如多元线性回归(MultipleLinear Regression)来估算干扰程度,并确定测量值。
这种方法的缺陷在于,当无法区分或检测出既有规则如预先导出的特征(extracted features)或输入命令(input command)时,将会输出预料不到的不准确的结果。
另外,尽管大多数特征重点放在排除红细胞比容的影响,但是除了红细胞比容之外,至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时,特征和利用这些特征的校准方程需要得到校正,否则会造成严重的问题。
此外,除了红细胞比容之外,至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时,也存在无法显示异常而滥用生物测量试条(strip)的问题。
另外,外部环境因素如温度特征值是通过贴设在计量器上的温度传感器获得的值,当周围环境急剧变化时,难以立刻测量出准确的温度值,在很多情况下需要用于达到温度平衡的时间。
因此,大多数计量器需要等待用于达到温度平衡的一段时间,以便用户在环境急剧变化(例如,寒冷的冬天从外面进入温暖的房间)时使用计量器。
发明内容
本发明是为了解决上述问题而提出的,如果现有的测量技术是相关领域专家长时间研发应用直接提取特征的公式或方法以有效提取特征(Features)的技术,则本发明的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法,将测量时间内从携带信息(Labels)的样品获得的输入信号进行数据库化,通过利用人工神经网络技术的深度学习找出人们无法预知的有用的特征等,并且应用如此通过学习获得的算法,可以估算出结果值。
本发明的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法,现有测量技术也可能是估算特定值的回归模型,其缺陷是每当进入带有样品的传感器的输入波形的形状改变时要花费很多时间和精力查找特征,而本发明的方法可以求出有可能成为将集团进行分类的分类器的特征,无需每次查找其他特征。
另外,本发明的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法,除了红细胞比容之外,至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时,可以将特征和利用这些特征的校准方程自动校正。
此外,本发明的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法,除了红细胞比容之外,至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时,可以显示特殊异常。
另外,本发明的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法,相对于外部环境的急剧变化,无需等待一定时间使外部环境的变化稳定,即使立刻测量生物测量物质的浓度,也能提供一定的准确度。
根据本发明的一个实施例的利用人工智能的生物样品内待分析物质的浓度测量方法,其特征在于,该方法包括如下步骤:将液态生物样品注入样品池,该样品池固定有对所述待分析物质的氧化还原反应起到催化作用的氧化还原酶和电子传递介质,并且具有工作电极和辅助电极;将一定直流电压施加到所述工作电极,使所述待分析物质能够开始进行氧化还原反应及电子传递反应,以在至少一个点的特性点获得第一感应电流;施加所述一定直流电压后,再施加Λ形阶梯化梯形扰动电压,以在至少两个点获得第二感应电流;由所述第一感应电流或所述第二感应电流计算出预定特征(feature);以及通过人工智能学习用由至少一个特征(feature)函数构成的校准方程校正所述待分析物质的浓度,以使所述生物样品内至少一个干扰物质的影响变得最小。
本发明是为了解决上述问题而提出的,对于根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法,如果现有的测量技术是相关领域专家长时间研发应用直接提取特征的公式或方法以有效提取特征(Features)的技术,则本发明是将测量时间内从携带信息(Labels)的样品获得的输入信号进行数据库化,通过利用人工神经网络技术的深度学习找出人们无法预知的有用的特征等,并且应用如此通过学习获得的算法,可以估算出结果值,而现有测量技术也可能是估算特定值的回归模型,其缺陷是每当进入带有样品的传感器的输入波形的形状改变时要花费很多时间和精力查找特征,本发明可以求出有可能成为将集团进行分类的分类器的特征,无需每次查找其他特征。
另外,根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法,除了红细胞比容之外,至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时,可以将特征和利用这些特征的校准方程自动校正。
此外,根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法,除了红细胞比容之外,至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时,可以显示特殊异常。
另外,根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法,相对于外部环境的急剧变化,无需等待一定时间使外部环境的变化稳定,即使立刻测量生物测量物质的浓度,也能提供一定的准确度。
附图说明
图1是根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置的内部结构图。
图2是根据本发明的一个实施例的利用人工智能深度学习的血糖测量方法的流程图。
图3是根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置的内部结构图中人工智能学习校正单元的详细图。
图4是显示用于根据本发明的一个实施例的利用人工智能深度学习的血糖测量方法的Λ-阶梯化梯形扰动电压(Λ-stepladder-type perturbation potential)及与此对应的感应电流的图表。
图5是按照利用现有的多元回归方式的血糖估算方法和根据本发明的一个实施例的运用利用人工神经网络的深度学习技术的测量对象浓度测量方法实施血糖估算的回归模型结果示例图。
图6是显示按照根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法对输入信号施加一定大小的随机噪声(Random Noise)时基于噪声的算法鲁棒性(Robustness)的图表。
图7是按照根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法在不包括温度特征以及包括温度特征的情况下实施血糖估算的回归模型结果示例图。
图8和图9分别是显示按照根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法周围温度高于室温以及低于室温的情况下的算法鲁棒性(Robustness)的图表。
具体实施方式
在下文中,将参照图1至图6详细描述根据本发明的一个实施例的运用利用人工神经网络的深度学习技术的测量对象浓度测量方法。
在本说明书中,根据本发明的一个实施例的运用利用人工神经网络的深度学习技术的测量对象浓度测量方法旨在描述本发明的示例而已,本发明的保护范围不限于实施例。
将参照图1至图4来描述根据本发明的一个实施例的利用人工智能深度学习的血糖测量方法。
图1是根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置的内部结构图。
如图1所示,根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置10保持现有电化学生物传感器即试条1的一对工作电极和辅助电极的结构,施加一定电压后,再施加Λ形阶梯化梯形扰动电压,根据利用人工智能深度学习的测量对象浓度测量方法摆脱现有的多元回归(Multiple Linear Regression)方法,可以根据优化的基于血糖估算人工智能的深度学习算法提供血糖测量值,该算法可以改善算法的准确度、精密度和红细胞比容包括在内的干扰校正性能。
此外,根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置10,在有限的硬件中也能通过优化的基于血糖估算人工智能的深度学习算法有效地进行计算,运算时间在8秒以内。
根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置10设置成,当所述电化学生物传感器1安装于连接器11时,所述连接器11与电流电压转换器12电连接,微控制器15(MCU)通过数字模拟转换电路13(DAC)施加一定电压,并且可以将Λ形阶梯化梯形扰动电压施加到所述试条1的工作电极。
为此,根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置10的固件(firmware)先将可产生预定三角波循环电压的常数存储在存储器中,当施加一定电压时,将设定的常数写入数字模拟转换电路13的寄存器中,当施加Λ形阶梯化梯形扰动电压时,以设定的时间为周期增加/减小存储在所述存储器中的常数值并写入数字模拟转换电路13的寄存器中。然而,这里给出的所施加的Λ形阶梯化梯形扰动电压的波形只是示例而已,并不局限于此,还包括对所属领域的工作人员理所当然的所有波形的循环电压。
所述微控制器15根据写入所述数字模拟转换电路13的寄存器中的常数值向试条的两个电极之间施加相应电压。
当施加一定电压以及施加Λ形阶梯化梯形扰动电压时,通过所述试条1测量的响应电流经过所述连接器11和所述电流电压转换器12,可以直接通过数字模拟转换电路13(ADC)进行测量。
另一方面,根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置10还包括异常信号处理单元16和人工智能深度学习算法计算单元17,所述异常信号处理单元16在检测到所述试条1与所述连接器11连接不良或者血液注入异常和硬件异常导致的异常信号时,可以通过发出警报、显示于显示器等进行提醒,并避免在所述人工智能深度学习校正单元17进行不必要的计算。
所述人工智能深度学习算法计算单元17可以根据优化的人工智能深度学习血糖测量算法由通过所述试条1测量的响应电流在8秒以内求出血糖测量值。
在下文中,将参照图2描述根据本发明的一个实施例的利用人工智能深度学习的血糖测量方法。
图2是根据本发明的一个实施例的利用人工智能深度学习的血糖测量方法的流程图。
参照图2,对于根据本发明的一个实施例的利用人工智能深度学习的血糖测量方法,准备样品(S110),例如将逆向型电化学生物传感器1装设于生物特征信息测量装置10(S120),在所述生物传感器1与样品(血液)接触血液浸湿所述电化学生物传感器1的工作电极和辅助电极的瞬间通过所述电流电压转换器12施加一定电压(S130),并且施加所述一定电压后,在施加电压结束点连续施加Λ形阶梯化梯形扰动电压(S140)。
在所述异常信号处理单元16判断感应电流是否为异常信号(S150),当判断为异常信号时,可以通过发出警报、显示于显示器等进行提醒(S151)。
此时,如果判断异常信号是因为周围温度、试条或血液的温度过高或过低于室内温度,就可以进行利用基于人工智能深度学习的优化算法的血糖值计算,不需要等待时间。
另外,当判断为不是异常信号时,可以在所述人工智能深度学习校正单元17根据优化的人工智能深度学习血糖测量算法由测量的响应电流求出血糖测量值。
图3是根据本发明的一个实施例的利用人工智能深度学习的血糖测量装置的内部结构图中人工智能学习校正单元的详细图。
如图3所示,所述人工智能学习校正单元17可以通过基于分析生物特征信息的人工智能的深度学习服务器100和有线/无线网络来下载或者通过软件来存储优化的人工智能学习算法,基于分析生物特征信息的人工智能的深度学习服务器100可包括:信号获取单元110,用于通过电化学反应获取一维时间序列数据(Time series data),将通过所述生物特征信息测量装置10采集的血液注入传感器(Strip)会引起所述电化学反应;信号处理单元130,用于排除从所述信号获取单元110获取的信号中血液注入异常和硬件异常导致的异常信号、或者对信号进行预处理,以获得所述生物特征信息测量装置10中可利用的优化的生物特征信息测量算法;生物特征信息测量算法生成单元150,用于对利用通过所述信号处理单元130处理的信号进行优化的生物特征信息测量算法利用深度学习人工神经网络技术自动提取特征;以及优化算法结果提供单元170,用于向所述生物特征信息测量装置10提供优化的生物特征信息测量算法。
所述信号处理单元130通过正规化(Normalization)或标准化(Standardization)将数据转换成具有一定大小(scale)或分布(distribution),以使所述生物特征信息测量算法生成单元150能够学习,而对转换的数据可利用多路数据组合或域转换(如时域或频域)等信号处理和数据转换进行数据图像化。
所述生物特征信息测量算法生成单元150可包括:算法架构单元151,用于形成用于血糖测量的算法架构;算法学习单元153,用于调整算法中的变量,使得能够最准确地预测血糖预测值为真值的血糖值;以及集成算法单元155,用于通过组合一种以上的算法来算出最终预测值,以提高预测血糖值的准确度和精密度。
另外,所述算法架构单元151可包括:特征提取单元151a,用于提取通过所述信号处理单元130进行信号预处理的生物特征信息信号数据中包括的测量对象的特征;以及血糖值预测单元151b,用于利用通过所述特征提取单元151a获得的特征来估算血糖值。
所述算法架构单元151利用深度学习人工神经网络技术从反映测量对象的成分、红细胞比容、温度、干扰物质的特性等周围环境的图像中自动提取要分类或测量的反映结果值的特征。
所述算法学习单元153使用所提取的特征经算法学习过程导出结果值的误差最小的人工神经网络层之间的权重(Weight)和偏差(Bias)。
对于所述算法架构单元151,通过人工神经网络算法,可以用作估算符合目的的特定值的回归模型,而且可以用作对测量对象的种类进行分类的分类器。
在本说明书中,作为优选实施例描述了校正因血糖测量时的血细胞比容而产生测量误差,但是与葡萄糖检测一样,通过引入特定酶,对各种代谢物质如β-羟丁酸(又称酮)、胆固醇、乳酸、肌酸酐、过氧化氢、醇、氨基酸、谷氨酸等有机物或无机物的浓度也能以相同的方法校正测量值。因此,本发明通过改变样品层组合物中包括的酶的种类,可以用于各种代谢物质的定量。
例如,通过使用β-羟丁酸脱氢酶(a-hydroxybutyrate dehydrogenase)、葡萄糖氧化酶(glucose oxidase,GOx)、葡萄糖脱氢酶(glucose dehydrogenase,GDH)、谷氨酸氧化酶(glutamate oxidase)、谷氨酸脱氢酶(glutamate dehydrogenase)、胆固醇氧化酶、胆固醇酯酶、乳酸氧化酶、抗坏血酸氧化酶、醇氧化酶、醇脱氢酶、胆红素氧化酶等,可以进行β-羟丁酸、葡萄糖、谷氨酸、胆固醇、乳酸、抗坏血酸、醇及胆红素等的定量。
在根据本发明的一个实施例的生物特征信息测量装置10中,工作电极和辅助电极设置成在不同平面上面对面,并且可以应用所述工作电极上涂覆有包括根据物质的酶和电子传递介质的试剂组合物的逆向型电化学生物传感器。
另外,在根据本发明的一个实施例的生物特征信息测量装置10中,工作电极和辅助电极设置在一个平面上,并且可以应用所述工作电极上涂覆有包括根据物质的酶和电子传递介质的试剂组合物的平面型电化学生物传感器。
接下来,参照图4简单描述使用Λ-阶梯化梯形扰动电压(Λ-stepladder-typeperturbation potential)的理由。
图4是显示用于根据本发明的一个实施例的利用人工智能深度学习的血糖测量方法的Λ-阶梯化梯形扰动电压(Λ-stepladder-type perturbation potential)及与此对应的感应电流的图表。
另一方面,对于根据本发明的优选实施例的利用人工智能深度学习的生物测量对象浓度测量方法,如图4所示,在施加一定电压(VDC)后,连续施加阶梯化梯形扰动电压,以通过感应电流测量生物测量对象的浓度。如此施加阶梯化梯形扰动电压是为了使感应电流的特性发生重要变化,以消除或尽量降低红细胞比容或其他干扰物质的影响。
在本文中,将感应电流表示为第一感应电流或第二感应电流是为了表明波动或扰动导致感应电流的特性发生变化而彼此不相同。
施加一定电压之后,为了消除校准方程中红细胞比容的影响,在短时间内进一步施加具有周期性的阶梯化梯形扰动电压,将该阶梯化梯形扰动电压定义为“Λ-阶梯化梯形扰动电压(Λ-stepladder perturbation potential)”或者简称为“阶梯化梯形电压(stepladder potential)”。
上述的所谓特性不相同的电流是指,由于依赖血糖和红细胞比容(干扰物质)的方式不同,可作为变量能够有效地分开或者校正红细胞比容的影响的电流。
从对应于所述扰动电压施加区间的第二感应电流中找出特性点以及用这些特性点建立特征(feature)的方法如下。
下面的方法是一个例子,根据应用目的可以有多种变形。
1)特定阶梯化梯形波的峰值及谷值电压附近的感应电流
2)阶梯化梯形波中由各阶梯的感应电流构成的曲线的曲率
3)阶梯化梯形波的峰值电流与谷值电流之差
4)上坡和下坡中间阶梯化梯形波的感应电流
5)各阶梯化梯形波周期的起点及终点的感应电流
6)由阶梯化梯形波获得的感应电流的平均值
7)将由所述1至6的特征获得的电流值用四则运算、指数、对数、三角函数等数学函数来表示进而能够获得的值
如此,从对应于所述扰动电压施加区间的第二感应电流中找出特性点或者用由这些特性点获得的电流值建立特征(fea ture),再线性结合该特征并适用多元回归分析(multivariable regression analysis)就能获得使红细胞比容的影响最小化的校准方程。
所述校准方程为以下方程之一:
其中,i为能够由第一感应电流和第二感应电流获得的一个以上的电流值,T为独立测量的温度值。
再参照图3,所述信号获取单元110可以通过采集的血液注入传感器(Strip)而引起的电化学反应来获取一维时间序列数据(Time series data)。
所述信号预处理单元130将一维时间序列数据通过信号处理和数据转换图像化成二维以上的数据,从而可以用作人工神经网络的输入信号。
所述生物特征信息测量算法生成单元150利用深度学习人工神经网络技术从反映测量对象的成分和周围环境的图像中自动提取要分类或测量的反映结果值的特征。
通过所述算法学习单元153使用所提取的特征进行算法学习,以导出结果值的误差最小的人工神经网络层之间的权重(Weight)和偏差(Bias)。
人工神经网络算法可以用作估算符合目的的特定值的回归模型,而且可以用作对测量对象的种类进行分类的分类器。
在根据本发明的一个实施例的运用利用人工神经网络的深度学习技术的测量对象测量方法中,为了获得用于创建血糖仪算法的学习数据,通过反映影响血糖值的各种因素来进行实验。
影响血糖值的主要因素有血液的葡萄糖(Glucose)、红细胞比容(Hematocrit)、测量温度、血氧分压等。
制作各种实验条件的血液样品,通过重复测量来获得用于创建算法的学习数据。
所获得的学习数据为一维时间序列数据,其表示根据时间推移的测量对象的电化学反应。
对于学习数据,通过正规化(Normalization)或标准化(Standardization)将数据转换成具有一定大小(scale)或分布(distribution)。
对于转换的数据,可以利用多路数据组合或域转换(如时域或频域)等信号处理和数据转换进行数据图像化。
对于图像化的数据,利用人工神经网络深度学习技术可以学习能够输出基于输入的适当结果的算法。
人工神经网络作为模拟人类大脑工作原理的方法,优选调节存在于人工神经网络中各层的神经元之间的权重。
对于这种人工神经网络,根据结构存在卷积神经网络(CNN)、深度信念网络(DBN)及循环神经网络(RNNs)等。人工神经网络深度学习技术与其他机器学习的区别在于,可以自动提取特征。
特征自动提取存在各种方法如受限玻尔兹曼机(RBM)等。
RBM可用于无监督学习(Unsupervised learning),将会经过优化过程,该优化过程使得根据输入数据分布和概率确定(随机决策)的重建数据的分布类似。
最终,隐层的结果值可以用作表示输入数据的特征值。
通过重复执行上述过程并将隐层扩展成多层,可以求出各隐层特征来构建人工神经网络结构。
人工神经网络学习旨在尽量减少输出错误。
将输出误差最小化的方法有莱文贝格-马夸特法(Levenberg-Marquardt)、高斯-牛顿法(Gauss-Newton)、梯度下降法(Gradient descent)等。
将通过上述的优化方法确定人工神经网络整体的权重(Weight)和偏差(Bias)值。
在人工神经网络中,除了权重和偏差之外,激活函数(Activation function)也起到重要作用。
激活函数确定在各神经元(节点)接收输入信号后如何输出。
激活函数有S型函数(Sigmoid)、双曲正切函数(hyperbolic tangent)、修正线性单元函数(Rectified Linear Unit)等。
人工神经网络可用于通过输出层的激活函数或结构变更对数据种类(Type)进行分类的分类器或估算取值的回归分析(Regression)。
例如,可以用作区分人体血液和控液的分类器,还可用于估算血糖值的回归分析。
如图5所示,可以将实施利用现有多元回归方式的血糖估算方法和利用人工神经网络的血糖估算的回归模型结果进行对比。
从血糖参考测量设备YSI与估算的血糖值的对比结果可知,利用人工神经网络估算的血糖值比现有多元回归方式更准确。
如图6所示,对输入信号施加一定大小的随机噪声(Random Noise)时,可以确认基于噪声的算法鲁棒性(Robustness)。
由此,用参考值(YSI值)和测量算法值的均方根误差(Root Mean Square Error)确认了算法的鲁棒性。
对于多元回归,无论血液浓度如何,对噪声都会敏感反应,而且输出值不稳定。
相反地,对于人工神经网络,特别是在低浓度下,对噪声有鲁棒性,而且输出值比回归方法稳定。
接下来,参照图7至图9,在周围温度和平衡温度之差(可能影响血液浓度的噪声中的一个因素)较大的情况下,列举实施例来描述根据本发明的一个实施例的利用人工智能深度学习的生物测量对象浓度测量方法。
图7是按照根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法在不包括温度特征以及包括温度特征的情况下实施血糖估算的回归模型结果示例图,图8和图9分别是显示按照根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法周围温度高于室温以及低于室温的情况下的算法鲁棒性(Robustness)的图表。
(实施例1)神经网络模型的基于是否包括温度特征的性能对比
为了观察基于是否包括温度特征的神经网络算法性能变化,在结构相同的神经网络算法中实现包括/不包括温度特征的两个相同的人工智能深度学习算法模型并示于[表1]和图7中。
性能对比是经过总共9个批次的临床测试通过共930个样品进行了确认。
如图7所示,在包括或不包括温度特征的情况下,从相对于参考值(即YSI值)的差值来看,表现出如下性能:±5%时的准确度平均为66.6%、67.1%,±10%时的准确度平均为93.2%、93.9%,±15%时的准确度平均为98.7%、98.8%。因此,可以确认在临床数据上几乎不存在根据是否包括温度特征的神经网络算法的性能差。
[表1]
(实施例2)相对于根据环境急剧变化的计量器温差的算法结果变化对比
适用于算法的温度特征值是通过贴设在计量器上的温度传感器获得的值,当周围环境急剧变化时,难以立刻测量出准确的温度值,需要用于达到温度平衡的时间。
因此,由于这样的问题,需要等待用于达到温度平衡的一段时间,以便用户在环境急剧变化(例如,寒冷的冬天从外面进入温暖的房间)时使用计量器,否则会得到不准确的血糖值。
对此,参照实验例1可知,通过不包括温度的根据本发明的一个实施例的利用人工智能深度学习的生物测量对象浓度测量方法可以解决如上所述的问题。
为此,将23度下温度平衡后23度环境中进行实验的对照组与根据使温度从43度平衡至23度环境的过程和使温度从0度平衡至23度环境的过程中计量器所测量温度的误差的实验组1、2的算法值差异分别与现有的基于多元回归分析方法的情形和不包括温度的神经网络算法进行对比,并示于[表2]和图8及图9中。
[表2]
实验结果显示,43度环境下的实验组1的计量器直到经过约24分钟为止,在测量温度值上与实验环境23度有差异。由于这种测量温度值差异,在多元线性回归算法上与对照组相差最大13.6%,需要约9分钟左右的用于温度平衡的等待时间。相反地,对于人工神经网络算法,不管温度值差异如何,与对照组保持0~2%的差异,不需要等待时间,可以立刻使用。同样地,5.8度环境下的实验组2的计量器直到经过约24分钟为止,在测量温度值上与实验环境23度有差异。由于这种测量温度值差异,在多元线性回归算法上与对照组相差最大14.8%,而且需要约15分钟左右的用于温度平衡的等待时间。
相反地,对于人工神经网络算法,不管温度值差异如何,与对照组保持0~2%的差异,不需要等待时间,可以立刻使用。
通过该实验结果可以确认,相对于环境急剧变化,不包括温度的神经网络算法可以获得更准确的结果,用户也不必特别等待时间的情况下可以使用产品。
工业实用性
本发明是为了解决上述问题而提出的,如果现有的测量技术是相关领域专家长时间研发应用直接提取特征的公式或方法以有效提取特征(Features)的技术,则根据本发明的一个实施例的利用人工智能深度学习的测量对象浓度测量方法将测量时间内从携带信息(Labels)的样品获得的输入信号进行数据库化,通过利用人工神经网络技术的深度学习找出人们无法预知的有用的特征等,并且应用如此通过学习获得的算法,可以估算出结果值,而现有测量技术也可能是估算特定值的回归模型,其缺陷是每当进入带有样品的传感器的输入波形的形状改变时要花费很多时间和精力查找特征,本发明的方法可以求出有可能成为将集团进行分类的分类器的特征,无需每次查找其他特征。
Claims (8)
1.一种利用人工智能深度学习的生物测量对象浓度测量方法,其包括以下步骤:
将液态生物样品注入样品池,该样品池固定有对待分析物质的氧化还原反应起到催化作用的氧化还原酶和电子传递介质,并且具有工作电极和辅助电极;
将直流电压施加到所述工作电极,使所述待分析物质能够开始进行氧化还原反应及电子传递反应,以在至少一个点的特性点获得第一感应电流;
施加所述直流电压后,再施加Λ形阶梯化梯形扰动电压,以在至少两个点获得第二感应电流;
由所述第一感应电流或所述第二感应电流计算出预定特征;以及
通过人工智能学习用由至少一个特征函数构成的校准方程校正所述待分析物质的浓度,以使所述生物样品内至少一个干扰物质的影响变得最小,
校正所述待分析物质的浓度的步骤包括通过人工智能学习重新获得所述第一感应电流和所述第二感应电流以计算出新的特征,
所述人工智能学习包括以下步骤:
制作各种实验条件的血液样品,通过重复测量来获得用于创建算法的学习数据;
所述学习数据为一维时间序列数据,其表示根据时间推移的测量对象的电化学反应;
通过所述学习数据的正规化或标准化将数据转换成具有一定大小或分布;
对所述转换的数据通过多路数据组合或域转换进行信号处理;
利用人工神经网络深度学习技术学习能够输出基于输入的适当结果的算法,
所述人工智能学习是校正除了红细胞比容之外的所述生物样品内待分析物质的浓度异常、所述生物样品内待分析物质的污染、含有所述生物样品内待分析物质的试条的不当使用、周围温度、电极材料、电极排列方式、通道形状、所使用试剂的特性、生物样品内待分析物质的浓度测量装置的异常中至少两个干扰物,
在所述周围温度变化大的情况下,也不需要用于温度平衡的等待时间,通过人工智能深度学习来校正所述生物样品内待分析物质的浓度测量。
2.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法,其中,
通过所述人工智能学习从所述第一感应电流或所述第二感应电流选择对所述待分析物质和所述干扰物质的线性依赖度不同的特性点,并用所述特性点建立特征,进而导出由所述特征构成的校准方程,用所述特性点建立所述特征的方法使用阶梯化梯形波的峰值及谷值电压附近的第二感应电流、所述阶梯化梯形扰动电压下由各阶梯的感应电流构成的曲线的曲率、所述阶梯化梯形扰动电压的峰值电流与谷值电流之差、上坡和下坡中间阶梯化梯形扰动电压下的感应电流、各阶梯化梯形扰动电压周期的起点及终点的感应电流及阶梯化梯形扰动电压下获得的感应电流的平均值之一,或者将由此获得的电流值用四则运算、指数、对数、三角函数数学函数来表示进而能够获得的值。
3.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法,其中,
所述第二感应电流是在获得第一感应电流后0.1至1秒内获得的。
4.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法,其中,
所述校准方程为以下方程之一:
其中,i为能够由第一感应电流和第二感应电流获得的一个以上的电流值,T为独立测量的温度值。
5.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法,其包括调节存在于人工神经网络中各层的神经元之间的权重的步骤,并且包括所述人工神经网络根据结构利用卷积神经网络、深度信念网络及循环神经网络中的任何一个自动提取特征的步骤。
6.根据权利要求5所述的利用人工智能深度学习的生物测量对象浓度测量方法,其中,
所述自动提取特征是利用受限玻尔兹曼机,并且包括使得输入数据分布和根据概率确定的重建数据的分布类似的优化步骤。
7.根据权利要求6所述的利用人工智能深度学习的生物测量对象浓度测量方法,其中,
所述优化步骤包括确定人工神经网络整体的权重和偏差值的步骤和利用激活函数的步骤。
8.根据权利要求7所述的利用人工智能深度学习的生物测量对象浓度测量方法,其中,
所述人工神经网络用于通过输出层的激活函数或结构变更对数据种类进行分类的分类器或估算取值的回归分析。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180080372A KR102095959B1 (ko) | 2018-07-11 | 2018-07-11 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
KR10-2018-0080372 | 2018-07-11 | ||
PCT/KR2018/007934 WO2020013361A1 (ko) | 2018-07-11 | 2018-07-13 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112105923A CN112105923A (zh) | 2020-12-18 |
CN112105923B true CN112105923B (zh) | 2024-01-09 |
Family
ID=69142371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880093318.5A Active CN112105923B (zh) | 2018-07-11 | 2018-07-13 | 利用人工智能深度学习的生物测量对象浓度测量方法 |
Country Status (9)
Country | Link |
---|---|
US (1) | US20210285909A1 (zh) |
EP (1) | EP3822625B1 (zh) |
JP (1) | JP7090184B2 (zh) |
KR (1) | KR102095959B1 (zh) |
CN (1) | CN112105923B (zh) |
DK (1) | DK3822625T3 (zh) |
ES (1) | ES2960485T3 (zh) |
HU (1) | HUE063277T2 (zh) |
WO (1) | WO2020013361A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102433251B1 (ko) * | 2020-11-03 | 2022-08-18 | (주)아이티공간 | 제품의 실시간 품질 검사방법 |
CN112666098A (zh) * | 2020-11-06 | 2021-04-16 | 上海市第八人民医院 | 夏季肠道传染病致病病原体检测系统 |
KR102510101B1 (ko) * | 2021-07-01 | 2023-03-14 | (주)아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
KR102510099B1 (ko) * | 2021-07-01 | 2023-03-14 | (주)아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
KR20230028896A (ko) * | 2021-08-23 | 2023-03-03 | 경북대학교 산학협력단 | 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1930490A (zh) * | 2003-11-25 | 2007-03-14 | 麦卡利斯有限公司 | 目标探测方法和设备 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
WO2016043361A1 (ko) * | 2014-09-17 | 2016-03-24 | 주식회사 아이센스 | 생체시료 내 분석대상물질의 농도측정방법 및 측정장치 |
CN105738430A (zh) * | 2014-09-17 | 2016-07-06 | 爱-森新株式会社 | 生物样品内待分析物质的浓度检测方法及检测装置 |
KR20160096460A (ko) * | 2015-02-05 | 2016-08-16 | 삼성전자주식회사 | 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법 |
CN107192690A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
CN107908928A (zh) * | 2017-12-21 | 2018-04-13 | 天津科技大学 | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822557B2 (en) * | 2006-10-31 | 2010-10-26 | Abbott Diabetes Care Inc. | Analyte sensors and methods |
US8343331B2 (en) * | 2007-09-27 | 2013-01-01 | Philosys Co., Ltd. | Method for correcting erroneous results of measurement in biosensors and apparatus using the same |
CN102209893B (zh) * | 2008-11-28 | 2013-06-26 | 松下电器产业株式会社 | 传感器芯片、生物传感器系统、生物试样的温度测定方法、血液试样的温度测定方法、血液试样中的分析物的浓度测定方法 |
US8709232B2 (en) * | 2012-04-30 | 2014-04-29 | Cilag Gmbh International | Analyte measurement technique and system |
KR101357134B1 (ko) * | 2012-05-23 | 2014-02-05 | 주식회사 아이센스 | 전기화학적 바이오센서, 휴대용 계측기 및 이들을 사용한 혈액시료 중 분석대상물질의 농도 측정방법 |
KR101740034B1 (ko) * | 2015-07-20 | 2017-06-08 | 주식회사 아이센스 | 베타-히드록시부틸레이트 검출을 위한 산화환원 시약 조성물, 및 상기시약 조성물을 포함하는 전기화학적 바이오센서 |
KR102655736B1 (ko) * | 2016-07-19 | 2024-04-05 | 삼성전자주식회사 | 이종 스펙트럼 기반 혈당 추정 장치 및 방법 |
-
2018
- 2018-07-11 KR KR1020180080372A patent/KR102095959B1/ko active IP Right Grant
- 2018-07-13 ES ES18925936T patent/ES2960485T3/es active Active
- 2018-07-13 EP EP18925936.9A patent/EP3822625B1/en active Active
- 2018-07-13 CN CN201880093318.5A patent/CN112105923B/zh active Active
- 2018-07-13 US US17/257,545 patent/US20210285909A1/en active Pending
- 2018-07-13 HU HUE18925936A patent/HUE063277T2/hu unknown
- 2018-07-13 WO PCT/KR2018/007934 patent/WO2020013361A1/ko unknown
- 2018-07-13 DK DK18925936.9T patent/DK3822625T3/da active
- 2018-07-13 JP JP2020572819A patent/JP7090184B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1930490A (zh) * | 2003-11-25 | 2007-03-14 | 麦卡利斯有限公司 | 目标探测方法和设备 |
WO2016043361A1 (ko) * | 2014-09-17 | 2016-03-24 | 주식회사 아이센스 | 생체시료 내 분석대상물질의 농도측정방법 및 측정장치 |
CN105738430A (zh) * | 2014-09-17 | 2016-07-06 | 爱-森新株式会社 | 生物样品内待分析物质的浓度检测方法及检测装置 |
KR20160096460A (ko) * | 2015-02-05 | 2016-08-16 | 삼성전자주식회사 | 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN107192690A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
CN107908928A (zh) * | 2017-12-21 | 2018-04-13 | 天津科技大学 | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 |
Non-Patent Citations (3)
Title |
---|
Accuracy Improvement for Glucose Measurement in Handheld Devices by Using Neural Networks;Hieu Trung Huynh等;《INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS AND PROCESSING》;20171101;摘要,第2.1、2.2节,结论部分 * |
Hematocrit estimation from compact single hidden layer feedforward neural networks trained by evolutionary algorithm;Hieu Trung Huynh 等;《2008 IEEE Congress on Evolutionary Computation》;20080923;全文 * |
基于多光谱应用BP人工神经网络预测血糖;李东明等;《激光与光电子学进展》;20161215(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112105923A (zh) | 2020-12-18 |
DK3822625T3 (da) | 2024-01-02 |
WO2020013361A1 (ko) | 2020-01-16 |
US20210285909A1 (en) | 2021-09-16 |
HUE063277T2 (hu) | 2024-01-28 |
ES2960485T3 (es) | 2024-03-05 |
EP3822625B1 (en) | 2023-09-27 |
EP3822625A1 (en) | 2021-05-19 |
KR102095959B1 (ko) | 2020-04-01 |
EP3822625A4 (en) | 2021-08-25 |
JP2021529315A (ja) | 2021-10-28 |
JP7090184B2 (ja) | 2022-06-23 |
KR20200006695A (ko) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112105923B (zh) | 利用人工智能深度学习的生物测量对象浓度测量方法 | |
JP7125493B2 (ja) | 人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステム | |
JP4256588B2 (ja) | 統計的手法を用いた電気化学的測定方法および測定装置 | |
CN105738430B (zh) | 生物样品内待分析物质的浓度检测方法及检测装置 | |
US8303787B2 (en) | Method and apparatus for processing electrochemical signals | |
US8343331B2 (en) | Method for correcting erroneous results of measurement in biosensors and apparatus using the same | |
JP5022033B2 (ja) | 電気化学的特性のアッセイのための方法および装置 | |
Bhattacharyya et al. | Classification of black tea liquor using cyclic voltammetry | |
Hruškar et al. | Application of a potentiometric sensor array as a technique in sensory analysis | |
Pigani et al. | Pedot modified electrodes in amperometric sensing for analysis of red wine samples | |
EP2745110A1 (en) | Extrapolation of interpolated sensor data to increase sample throughput | |
CN108680748B (zh) | 基于丙酮传感器的血糖检测仪及其检测方法 | |
CN112198207B (zh) | 一种甲醛检测方法及甲醛检测装置 | |
López-Cárdenas et al. | Enhancing the sensitivity of a class of sensors: A data-based engineering approach | |
US8725427B2 (en) | Method and apparatus for estimating features of target materials by using kinetic change information | |
CN112798783B (zh) | 血糖检测系统和方法 | |
EP4192348A1 (en) | Non-steady-state determination of analyte concentration for continuous glucose monitoring by potential modulation | |
CN117969634A (zh) | 血液的电化学检测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |